Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que. Max f(x) s. a a x b

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que. Max f(x) s. a a x b"

Transcrição

1 Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação f (x) = 0. Em qualquer caso os métodos anteriores podem não funcionar para essas situações. Nesta seção será discutido como resolver o PPNL se f(x) for uma função unimodal. Uma função é unimodal no intervalo [a, b] se para algum ponto x 0 no intervalo [a, b], f(x) é estritamente crescente em [a, x 0 ] e estritamente decrescente [x 0,b]. Se f(x) é unimodal em [a, b] então ela terá somente um máximo local x 0 no intervalo [a; b] e esse valor resolverá o PPNL. Sem informações adicionais só podemos dizer que a solução ótima para o problema é algum ponto no intervalo [a, b]. 1

2 Caso 1: f(x 1 ) < f(x 2 ) Avaliando f(x) nos pontos x 1 e x 2 (supondo x 1 < x 2 ) em [a, b], pode-se reduzir o tamanho do intervalo na qual a solução do problema deve estar. Após avaliar f(x 1 ) e f(x 2 ) um dos próximos dois casos deve ocorrer. Em cada caso, pode-se mostrar que a solução ótima vai estar em um subintervalo de [a, b]. Uma vez que f(x) está aumentando, ao menos em uma parte do intervalo [x 1, x 2 ] pode-se concluir que a que a solução ótima do problema não pode ocorrer em [a, x 1 ]. Assim, x 0 (x 1, b]. f(x) f(x) a x x x b x a x 1 x 2 x 0 b x Caso 2: f(x 1 ) f(x 2 ) Nesse caso, f(x) começa a decrescer antes de x alcançar x 2. Assim x 0 [a, x 2 ). f(x) a x 1 x 0 x 2 b x f(x) a x 0 x 1 x 2 b x O intervalo onde x 0 deve estar, que pode ser [a; x 2 ) ou (x 1 ; b], é denominado deintervalo de incerteza. Muitos algoritmos utilizam essa idéia para reduzir o intervalo de incerteza. Muitos desses algoritmos funcionam da seguinte forma. Passoum: Inicie com a região de incerteza de x sendo [a; b]. Avalie f(x) em dois pontos escolhidos x 1 e x 2. Passo dois: Determine qual dos dosi casos se aplica e reduza o intervalo de incerteza. Passotrês: Avalie f(x) em dois novos pontos (o algoritmo especifica como os dois novos pontos são escolhidos). Um desses algoritmos éométododaseçãoáurea. Seja r a única raiz positiva da equação do segundo grau r 2 + r = 1. Resolvendo-a, tem-se: 1/ r = = 0, A procura inicia avaliando f(x) nos pontos x 1 e x 2 onde x 1 = b r(b a) e x 2 = a + r(b a). 2

3 Localização de x 1 e x 2 no método de otimização pela seção áurea. r(b a) a x 1 x 2 b r(b a) Da figura pode-se ver que para encontrar x 1, move-se uma fração r do intervalo a partir do extremo direito e na direção do extremo esquerdo. Para encontrar x 2 move-se uma fração r do intervalo a partir do extremo esquerdo e na direção do extremo direito. Então o método da seção áurea gera dois novos pontos no qual f(x) deve ser avaliada. Cada vez que f(x) é avaliada nos dois pontos e o II (Intervalo de Incerteza) é reduzido, diremos que uma iteração do método da Seção Áurea foi completada. L k Define-se: = tamanho do intervalo de incerteza após k iterações do algoritmo ter sido completadas. I k = intervalo de incerteza após k iterações terem sido completadas. A cada iteração a f(x) deve ser avaliada em apenas um dos dois novos pontos. É fácil ver que: L 2 = rl 1 = r 2 (b a) e que de forma geral: L k = rl k-1 leva a: L k =r k (b a). Assim se quisermos que um intervalo de incerteza final tenha um tamanho menor que um ε especificado, será necessário executar k iterações do método da seção áurea de modo que: r k (b a) < ε 3

4 Determine quantas iterações serão necessárias, utilizando o método da seção áurea, para que o tamanho do intervalo [-3; 7] seja reduzido a um valor menor do que 0,0001 = Tem-se: a = -3, b = 7 e ε = 0,0001 =10-4. Então: r k (b a) < ε ln[r k (b a)] < ln(ε) ln(r k )+ln(b-a) < ln(ε) k.ln(r) < ln(ε) - ln(b-a) k [ln(ε) - ln(b-a)]/ln(r) k [ln(0,0001) ln(7-(-3))]/ln(r) k [ln(0,0001) ln(10)]/ln(r) k [-9, ,302585]/ln(r) k -11,512925/-0, Utilize o método para resolver: max -x s. a -1 x ¾, com o tamanho final do intervalo de incerteza sendo menor do que 1/4. k 23,92 ou k 24 Aqui a = -1 e b = 0,75, então b a = 1,75. Para determinar o número de iterações que deve ser feito, deve-se resolver: 1,75.r k < 1/4 ou r k < 1/7 k.ln(r) < ln(1/7) k > ln(1/7)/ln(r) k 5 Assim serão necessárias onze iterações. Determinar inicialmente x 1 e x 2 : x 1 = 0,75 r.1,75 = -0,3316 x 2 = -1 + r.1,75 = 0,0816 Então: f(x 1 ) = f(-0,3316) = 0,8901. f(x 2 ) = f(0,0816) = 0,9933. Como f(x 1 ) < f(x 2 ), o novo intervalo de incerteza é I 1 = [x 1 ; b] = [-0,3316; 0,75] 4

5 L 1 = 0,7500 (-0,3316) = 1,0816 Determina-se, agora os dois novos pontos x 3 e x 4 : x 3 = x 1 = -0,3316 x 4 = -0, r.1,0816 = 0,3369 Agora f(x 3 ) = f(x 1 ) = f(-0,3316) = 0,8901 e f(x 4 ) = f(0,3369) = 0,8865. Como f(x 3 ) < f(x 4 ), então o novo intervalo de incerteza é I 2 = [-0,3316; x 4 ] = [-0,3316; 0,3369) e x 6 será igual a x 3. Também L 2 = 0,3369 (-0,3316) = 0,6684. Então: x 5 = 0,3369 r.0,6684 = -0,0762 x 6 = x 3 = 0,0816 Note que f(x 5 ) = 0,9942 e f(x 6 ) = f(x 3 ) = = 0,9933. Como f(x 5 ) > f(x 6 ) então o novo intervalo de incerteza é I 3 = [-0,3316; x 6 ) = [-0,3315, 0,0816). L 3 = 0, ,3315 = 0,4130. Agora: x 7 = 0,0816 r.0,4130 = -0,1738 x 8 = x 5 = -0,0762. f(x 8 ) = f(-0,0762) = 0,9942. f(x 7 ) = f(-0,1738) = 0,9698 e como f(x 8 ) > f(x 7 ), o novo II é I 4 = [x 7 ; 0,0815] = [-0,1738, 0,0816]. L 4 = 0, ,1637 = 0,2552. Também x 9 = x 8 e finalmente: x 9 = x 8 = -0,0762. x 10 = -0, r.0,2552 = -0,016. Agora f(x 9 ) = f(x 8 ) = f(-0,0762 ) = 1,0000 e f(x 10 ) = f(-0,016 ) = 0,9997. Como f(x 10 ) < f(x 9 ) o novo II é I 5 = (x 9 ; 0,0815] = [-0,0762, 0,0816]. L 5 = 0, ,0762 = 0,1577 < 0,25, conforme especificado. Assim determinou-se, que: max x s. a -1 x ¾, deve estar dentro do intervalo (-0,0762; 0,0815]. Na realidade o valor mínimo, que é 1,00, ocorre no ponto x 0 = 0. 5

6 =B3-$G$3*(B3-A3) =A3+$G$3*(B3-A3) Utilizando a Planilha para implementar o método da seção áurea. A B C D E F G pei pdi pe pd f(pe) f(pd) r -1 0,7500-0,3316 0, ,1099-1,0067 0, ,3316 0,7500 0,0816 0,3369-1,0067-1,1135-0,3316 0,3369-0,0762 0,0816-1,0058-1,0067-0,3316 0,0816-0,1738-0,0762-1,0302-1,0058-0,1738 0,0816-0,0762-0,0160-1,0058-1,0003 =SE(E3<F3;B3;D3) =SE(E3<F3;C3+$G$3*(B3-C3);C3) -0,0762 0,0816-0,0160 0,0213-1,0003-1,0005 =SE(E3<F3;C3;A3) =SE(E3<F3;D3;D3-$G$3*(D3-A3)) OBS.: O método da seção áurea pode ser aplicado a problemas de minimização pela multiplicação da FO por -1. Deve-se assumir que a FO modificada seja unimodal. Embora o método da seção áurea seja um procedimento simples ele pode demorar para convergir para a solução ótima. Um método que pode ser utilizado em alguns casos é o de Newton. A idéia do método de Newton é aproximar a f(x) por meio de um função quadrática e maximizar ou minimizar a função aproximada para obter uma solução experimental. Essa função quadrática é obtidas truncando-se a série de Taylor após o termo da segunda derivada. 6

7 Particularmente fazendo-se x i+1 seja a Assim: solução experimental gerada na iteração i para iniciar a iteração i + 1 (onde x 1 é a solução experimental inicial fornecida pelo usuário para começar a iteração 1). f(x i+1 ) f(x i ) + f (x i )(x i+1 x i ) + 0,5f (x i )(x i+1 x i ) 2 Tendo fixado x i no início da iteração i, f(x i ), f (x i ) e f (x i ) também são constantes. Assim a função do lado direito é uma função quadrática de x i+1. Essa função quadrática pode agora ser otimizada da forma usual, isto é, derivando e igualando a derivada a zero e resolvendo para x i+1. Convém lembrar que estamos supondo que a f(x) seja convexa (côncava) e portanto a solução encontrada será um ótimo global. A primeira derivada é: f (x i+1 ) f (x i ) + f (x i )(x i+1 x i ). Igualando esse resultado a zero, tem-se: f (x i ) + f (x i )(x i+1 x i ) = 0 Resolvendo para x 1+1 vem: x i+1 =x i f (x i )/f (x i ) Essa a expressão básica a cada iteração para calcular a próxima solução experimental x i+1, após termos obtido a solução x i. Essa expressão é utilizada para minimizar (maximizar) uma função convexa (côncava). O critério de parada é x i x i+1 tão pequeno quanto se queira. ALGORITMO do Método de Newton 1. Fixe o valor de parada: ε. Determine uma solução inicial x i e faça i = 1; 2. Calcule f (x i ) e f (x i ); 3. Faça: x i+1 = x i f (x i )/f (x i ); 4. Se x i+1 x i < ε. Pare, senão faça i i

8 Determine o ponto de máximo da função: f(x) = 12x 3x 4 2x 6 Tem-se: f (x) = 12 12x 3 12x 5 = 12(1 x 3 x 5 ) f (x) = -36x 2 60x 4 = -12(3x 2 + 5x 4 ) Então: x i+1 = x i f (x i )/f (x i ) será: x i+1 = x i + (1 x 3 x 5 )/(3x 2 + 5x 4 ) Escolhendo x 1 = 1, teremos: Iteração x i f(x i ) f'(x i ) f"(x i ) x i+1 x i+1 - x i 1 1, ,8750 0, ,8750 7,8439-2, ,733 0,8400 0, ,8400 7,8838-0, ,279 0,8376 0, ,8376 7,8839-0, ,795 0,8376 0, ,8376 7,8839 0, ,793 0,8376 Ótimo Escolha em vetor inicial x 0 como no método do Gradiente. Vetores x 1, x 2, x 3,..., são, então determinados iterativamente por: x i+1 x i H(x i ) -1 f(x i ) A regra de parada é a mesma do método do Gradiente. Maximize: Com uma tolerância de 0,05 e ponto inicial x 0 = (6,597, 5,891), onde f(x 0 ) = -36, f(x, y) = (x 5 ) (y π) 10 O vetor Gradiente, a matriz Hessiana e a inversa da Hessiana para essa função objetivo são: 2(x 5) f(x, y ) = 2(y π) 05, 1 H (x, y) = , 2 H(x, y) =

9 O vetor Gradiente no ponto x 0 dado vale: (, 5) 8722, f(x0) = = (, π) 5499, Então: x 1 = x 0 H(x 0 ) -1 f(x 0 ) = 6597, 05, , 2236, = 5891, 0 05, 5499, 3142, Com f(x 1 ) = -10,00 Como f(x 1 ) f(x 0 ) = -10,00 (-36,58) = 26,58 > 0,05, é necessário continuar (, 5) 00001, f(x1) = = (, π) 00008, Então: x 2 = x 1 H(x 1 ) -1 f(x 1 ) = 2236, 05, , 2236, = 3142, 0 05, 00008, 3142, Como f(x 2 ) f(x 1 ) = -10,00 (-10,00) = 0 < 0,05, nós tomamos x* = (2,236, 3,142) como o ponto ótimo com f(x * ) = -10,00 Suponha que se queira resolver o seguinte PPNL: Max z = f(x 1, x 2,..., x n ) s. a (x 1, x 2,..., x n ) R n Pela discussão anterior se f(x 1, x 2,..., x n ) é uma função côncava, então a solução ótima (se existir) vai ocorrer num ponto estacionário x, satisfazendo as seguintes condições: f(x) f(x) f(x) = =... = = 0 x1 x2 xn Em algumas situações é fácil encontrar os pontos estacionários, mas em outras pode ser bem difícil. Aqui será apresentado o método da maior subida, que pode ser utilizado para se determinar os pontos estacionários de uma função. 9

10 Considere a função f(x 1, x 2,..., x n ) para a qual todas as derivadas parciais existem em todos os pontos. O vetor gradiente de f(x 1, x 2,..., x n ), representado por f(x) f(x) f(x) f(x) =,,..., x1 x2 xn f(x), é dado por: O método do Gradiente termina quando o vetor gradiente torna-se nulo, sendo que esta é apenas a condição necessária, mas não suficiente. O ponto será necessariamente ótima se a função sendo otimizada for côncava ou convexa. Para cada vetor x, o vetor x x é denominado de versão normalizada de x. Assim qualquer direção no R n será descrita pelo vetor normalizado que define a direção. f(x) Portanto, f(x) define a direção. f(x) Convém lembrar que uma solução ótima v, para o PPNL deve satisfazer f (v) = 0. Suponha agora que estamos no ponto v 0 e que desejamos encontrar o ponto v que resolva o PPNL. Na tentativa de encontrar v, parece razoável movimentar-se para além do ponto v 0 numa direção que maximiza a taxa (pelo menos localmente) na qual f(x 1, x 2,..., x n ) aumenta. OLema1mostracomoseguir: Suponha que estamos no ponto v e queremos nos mover a uma distância δ na direção d. Então para um dado δ, o aumento máximo da f(x 1, x 2,..., x n ) irá ocorrer se f(x) f(x) escolhermos: d =. Em resumo se queremos avançar na direção do ponto de máximo tão rapidamente quanto possível devemos andar na direção de f(x). É possível agora descrever o método da maior inclinação. 10

11 Iniciar com qualquer ponto v 0 e mover-se na direção de f(v 0 ); Para tal fixar um valor não-negativo t; Mover-se para o ponto v 1 = v 0 + t f(v 0 ); O crescimento máximo de f(x 1, x 2,..., x n ) será obtido pelo valor t 0 que resolver o seguinte problema de otimização unidimensional max f(v 0 + t 0 f(v 0 )) s. a t 0 0, que pode ser resolvido pelos procedimentos já vistos inclusive pelo método da Secção Áurea ou de Newton. Utilize o método da maior inclinação para aproximar a solução de: Max f(x 1, x 2 ) = -(x 1 3) 2 (x 2 2) 2 s. a (x 1, x 2 ) R 2 Vamos escolher um ponto arbitrário qualquer, por exemplo, (1, 1). Como f(x 1, x 2 ) = (-2x 1 + 6, -2x 2 + 4), tem-se que f(1, 1) = (4, 2). Assim deve-se escolher t 0 que vai maximizar f(v 1 ) = f[(1, 1) + t 0 (4, 2)] = f(1 +4t 0, 1 + 2t 0 ) = = -(-2 + 4t 0 ) 2 (-1 + 2t 0 ) 2. Fazendo f (t 0 ) = 0, obtém-se: -8(-2 + 4t 0 ) 4(-1 + 2t 0 ) = t 0 = 0 t 0 = 0,5. O novo ponto, será então: v 1 = (1, 1) + 0,5(4, 2) = (3, 2). Agora f(3, 2) = (0, 0) e o algoritmo pode terminar. Uma vez que f(x 1, x 2 ) é uma função côncava, a solução ótima do PPNL foi encontrada. 11

12 Encontre os pontos x 1, x 2, x 3 e x 4 a partir do ponto x 0 = (1, 1) pelo método da maior inclinação para resolver o problema: Max f(x, y) = 4x + 6y 2x 2 2xy 2y 2 s. a (x, y) R 2 BERTSEKAS, Dimitri P. Nonlinear Programming. Belmont (MA): Athena Scientific, TAHA, Hamdy. Pesquisa Operacional. São Paulo (SP):PearsonEducationdoBrasil, a ed. WINSTON, Wayne L. Operations Research: Applications and Algorithms. Belmont (CA): DuxburyPress, a ed. 12

II. Funções de uma única variável

II. Funções de uma única variável II. Funções de uma única variável 1 II.1. Conceitos básicos A otimização de de funções de de uma única variável consiste no no tipo mais elementar de de otimização. Importância: Tipo de problema encontrado

Leia mais

Resolução de sistemas de equações lineares: Método do Gradiente

Resolução de sistemas de equações lineares: Método do Gradiente Resolução de sistemas de equações lineares: Método do Gradiente Marina Andretta ICMC-USP 24 de março de 2015 Marina Andretta (ICMC-USP) sme0301 - Métodos Numéricos para Engenharia I 24 de março de 2015

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu Programação Não Linear Aula 7: Programação Não-Linear - Funções de Várias variáveis Vector Gradiente; Matriz Hessiana; Conveidade de Funções e de Conjuntos; Condições óptimas de funções irrestritas; Método

Leia mais

Cálculo Numérico / Métodos Numéricos. Solução de equações polinomiais Briot-Ruffini-Horner

Cálculo Numérico / Métodos Numéricos. Solução de equações polinomiais Briot-Ruffini-Horner Cálculo Numérico / Métodos Numéricos Solução de equações polinomiais Briot-Ruffini-Horner Equações Polinomiais p = x + + a ( x) ao + a1 n x n Com a i R, i = 0,1,, n e a n 0 para garantir que o polinômio

Leia mais

SME Cálculo Numérico. Lista de Exercícios: Gabarito

SME Cálculo Numérico. Lista de Exercícios: Gabarito Exercícios de prova SME0300 - Cálculo Numérico Segundo semestre de 2012 Lista de Exercícios: Gabarito 1. Dentre os métodos que você estudou no curso para resolver sistemas lineares, qual é o mais adequado

Leia mais

Universidade Federal do Rio Grande do Norte. Métodos Computacionais Marcelo Nogueira

Universidade Federal do Rio Grande do Norte. Métodos Computacionais Marcelo Nogueira Universidade Federal do Rio Grande do Norte Métodos Computacionais Marcelo Nogueira Método de Jacobi Método iterativo: produz uma sequencia de soluções,,,, que aproximam a solução do sistema a partir de

Leia mais

Neste capítulo estamos interessados em resolver numericamente a equação

Neste capítulo estamos interessados em resolver numericamente a equação CAPÍTULO1 EQUAÇÕES NÃO-LINEARES 1.1 Introdução Neste capítulo estamos interessados em resolver numericamente a equação f(x) = 0, onde f é uma função arbitrária. Quando escrevemos resolver numericamente,

Leia mais

Prof. MSc. David Roza José 1/28

Prof. MSc. David Roza José 1/28 1/28 Otimização Objetivos: Compreender porquê e onde surgem problemas de otimização na engenharia; Reconhecer a diferença entre otimização unidimensional e multidimensional; Distinguir entre ótimo local

Leia mais

LUCAS PALMA SILVA MÉTODO DE NEWTON E BACIAS DE

LUCAS PALMA SILVA MÉTODO DE NEWTON E BACIAS DE LUCAS PALMA SILVA MÉTODO DE NEWTON E BACIAS DE CONVERGÊNCIA Curitiba 014 LUCAS PALMA SILVA MÉTODO DE NEWTON E BACIAS DE CONVERGÊNCIA Trabalho de Conclusão do Curso de Matemática Industrial da Universidade

Leia mais

MAP CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Zeros de Funções

MAP CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Zeros de Funções MAP 2121 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Zeros de Funções 1: Mostre que a função f(x) = x 2 4x + cos x possui exatamente duas raízes: α 1 [0, 1.8] e α 2 [3, 5]. Considere as funções:

Leia mais

Resolução de problemas com apenas restrições lineares de igualdade

Resolução de problemas com apenas restrições lineares de igualdade Resolução de problemas com apenas restrições lineares de igualdade Marina Andretta ICMC-USP 14 de outubro de 2014 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 14 de outubro de 2014 1 / 22

Leia mais

Método Simplex dual. Marina Andretta ICMC-USP. 24 de outubro de 2016

Método Simplex dual. Marina Andretta ICMC-USP. 24 de outubro de 2016 Método Simplex dual Marina Andretta ICMC-USP 24 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização

Leia mais

Prof. MSc. David Roza José 1/35

Prof. MSc. David Roza José 1/35 1/35 Métodos Iterativos Objetivos: Compreender a diferença entre os métodos de Gauss-Seidel e Jacobi; Saber analisar a dominância diagonal e entender o quê significa; Reconhecer como a relaxação pode ser

Leia mais

Métodos iterativos dão-nos uma valor aproximado para s. Sequência de valores de x que convergem para s.

Métodos iterativos dão-nos uma valor aproximado para s. Sequência de valores de x que convergem para s. Análise Numérica 1 Resolução de equações não lineares ou Cálculo de zeros de funções Problema: Dada a função f(x) determinar o valor s tal que f(s) = 0. Slide 1 Solução: Fórmulas exemplo: fórmula resolvente

Leia mais

Departamento de Matemática da Universidade de Coimbra. Licenciatura em Matemática. e B =

Departamento de Matemática da Universidade de Coimbra. Licenciatura em Matemática. e B = Departamento de Matemática da Universidade de Coimbra Optimização Numérica Licenciatura em Matemática Ano lectivo 2006/2007 Folha 1 1. Considere as matrizes A = [ 1 1 1 2 ] e B = [ 1 3 1 2 (a) Verifique

Leia mais

Aula 10 Sistemas Não-lineares e o Método de Newton.

Aula 10 Sistemas Não-lineares e o Método de Newton. Aula 10 Sistemas Não-lineares e o Método de Newton MS211 - Cálculo Numérico Marcos Eduardo Valle Departamento de Matemática Aplicada Instituto de Matemática, Estatística e Computação Científica Universidade

Leia mais

EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: PRIMEIRO BIMESTRE: EDGARD JAMHOUR. QUESTÃO 1: Indique as afirmativas verdadeiras.

EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: PRIMEIRO BIMESTRE: EDGARD JAMHOUR. QUESTÃO 1: Indique as afirmativas verdadeiras. EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: PRIMEIRO BIMESTRE: EDGARD JAMHOUR QUESTÃO 1: Indique as afirmativas verdadeiras. ( ) O número Pi não pode ser representado de forma exata em sistemas numéricos de

Leia mais

BANCO DE EXERCÍCIOS - 24 HORAS

BANCO DE EXERCÍCIOS - 24 HORAS BANCO DE EXERCÍCIOS - HORAS 9º ANO ESPECIALIZADO/CURSO ESCOLAS TÉCNICAS E MILITARES FOLHA Nº GABARITO COMENTADO ) A função será y,5x +, onde y (preço a ser pago) está em função de x (número de quilômetros

Leia mais

Exercícios de MATEMÁTICA COMPUTACIONAL. 1 0 Semestre de 2009/2010 Resolução Numérica de Equações Não-Lineares

Exercícios de MATEMÁTICA COMPUTACIONAL. 1 0 Semestre de 2009/2010 Resolução Numérica de Equações Não-Lineares Exercícios de MATEMÁTICA COMPUTACIONAL Mestrado Integrado em Engenharia Biomédica 1 0 Semestre de 2009/2010 Resolução Numérica de Equações Não-Lineares 1. Considere a equação sin(x) e x = 0. a) Prove que

Leia mais

Pré-requisitos Algebra Linear. Lorí Viali. Afiliação

Pré-requisitos Algebra Linear. Lorí Viali. Afiliação Lorí Viali Licenciatura Plena em Matemática UFRGS Bacharelado em Matemática UFRGS Especialização em Formação de Pesquisadores PUCRS Mestrado em Engenharia de Produção (PO) UFSC Doutorado Sanduíche na USF

Leia mais

Equações não lineares

Equações não lineares Capítulo 2 Equações não lineares Vamos estudar métodos numéricos para resolver o seguinte problema. Dada uma função f contínua, real e de uma variável, queremos encontrar uma solução x que satisfaça a

Leia mais

PESQUISA OPERACIONAL 11. SOLUÇÃO ALGEBRICA O MÉTODO SIMPLEX ( ) DEFINIÇÕES REGRAS DE TRANSFORMAÇÃO. Prof. Edson Rovina Página 16

PESQUISA OPERACIONAL 11. SOLUÇÃO ALGEBRICA O MÉTODO SIMPLEX ( ) DEFINIÇÕES REGRAS DE TRANSFORMAÇÃO. Prof. Edson Rovina Página 16 11. SOLUÇÃO ALGEBRICA O MÉTODO SIMPLEX Página 16 Após o problema ter sido modelado, pode-se resolvê-lo de forma algébrica. A solução algébrica é dada pelo método simplex elaborado por Dantzig. Antes da

Leia mais

1 A Equação Fundamental Áreas Primeiras definições Uma questão importante... 7

1 A Equação Fundamental Áreas Primeiras definições Uma questão importante... 7 Conteúdo 1 4 1.1- Áreas............................. 4 1.2 Primeiras definições...................... 6 1.3 - Uma questão importante.................. 7 1 EDA Aula 1 Objetivos Apresentar as equações diferenciais

Leia mais

Exercícios de ANÁLISE E SIMULAÇÃO NUMÉRICA

Exercícios de ANÁLISE E SIMULAÇÃO NUMÉRICA Exercícios de ANÁLISE E SIMULAÇÃO NUMÉRICA Licenciaturas em Engenharia do Ambiente e Química 2 o Semestre de 2005/2006 Capítulo II Resolução Numérica de Equações Não-Lineares 1. Considere a equação sin(x)

Leia mais

Máximos e mínimos em intervalos fechados

Máximos e mínimos em intervalos fechados Universidade de Brasília Departamento de Matemática Cálculo 1 Máximos e mínimos em intervalos fechados No texto em que aprendemos a Regra da Cadeia, fomos confrontados com o seguinte problema: a partir

Leia mais

Área e Teorema Fundamental do Cálculo

Área e Teorema Fundamental do Cálculo UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Área e Teorema Fundamental

Leia mais

Derivadas Parciais Capítulo 14

Derivadas Parciais Capítulo 14 Derivadas Parciais Capítulo 14 DERIVADAS PARCIAIS 14.2 Limites e Continuidade Nesta seção, aprenderemos sobre: Limites e continuidade de vários tipos de funções. LIMITES E CONTINUIDADE Vamos comparar o

Leia mais

CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES

CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES Vamos estudar alguns métodos numéricos para resolver: Equações algébricas (polinómios não lineares; Equações transcendentais equações que envolvem funções

Leia mais

Método de Newton. Podemos escrever este problema na forma vetorial denindo o vetor x = [x 1, x 2,..., x n ] T e a função vetorial

Método de Newton. Podemos escrever este problema na forma vetorial denindo o vetor x = [x 1, x 2,..., x n ] T e a função vetorial Método de Newton 1 Introdução O método de Newton aplicado a encontrar a raiz x da função y = fx) estudado na primeira área de nossa disciplina consiste em um processso iterativo Em cada passo deste processo,

Leia mais

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 04/2014 Zeros reais de funções Parte 1 Objetivo Determinar valores aproximados para as soluções (raízes) de equações da

Leia mais

Resolução de sistemas de equações lineares: Método dos Gradientes Conjugados

Resolução de sistemas de equações lineares: Método dos Gradientes Conjugados Resolução de sistemas de equações lineares: Método dos Gradientes Conjugados Marina Andretta/Franklina Toledo ICMC-USP 24 de março de 2015 Baseado no livro Cálculo Numérico, de Neide B. Franco Marina Andretta/Franklina

Leia mais

Equações não lineares

Equações não lineares DMPA IME UFRGS Cálculo Numérico Índice Raizes de polinômios 1 Raizes de polinômios 2 raizes de polinômios As equações não lineares constituídas por polinômios de grau n N com coeficientes complexos a n,a

Leia mais

PROBLEMAS DE OPTIMIZAÇÃO

PROBLEMAS DE OPTIMIZAÇÃO PROBLEMAS DE OPTIMIZAÇÃO EXTREMOS: MÁXIMOS E MÍ IMOS As questões de optimização estão relacionados com a escolha da melhor alternativa para a resolução de um problema com base em critérios particulares.

Leia mais

A Segunda Derivada: Análise da Variação de Uma Função

A Segunda Derivada: Análise da Variação de Uma Função A Segunda Derivada: Análise da Variação de Uma Função Suponhamos que a função y = f() possua derivada em um segmento [a, b] do eio-. Os valores da derivada f () também dependem de, ou seja, a derivada

Leia mais

Alocação de Unidades via Relaxação Lagrangeana

Alocação de Unidades via Relaxação Lagrangeana Alocação de Unidades via Relaxação Lagrangeana Prof. Antonio Simões Costa Grupo de Sistemas de Potência EEL - UFSC Relaxação Lagrangeana: Conceitos Iniciais 2 1 Alocação de Unidades via Relaxação Lagrangeana

Leia mais

Encontre um valor aproximado para 3 25 com precisão de 10 5 utilizando o método da bissecção.

Encontre um valor aproximado para 3 25 com precisão de 10 5 utilizando o método da bissecção. 1 a) Mostre que f (x) = x cos x possui uma raiz no intervalo [0, 1]. b) Prove que essa raiz é única. c) Sem executar o método, preveja o número de iterações que o algoritmo da bissecção utilizaria para

Leia mais

ALGUMS MÉTODOS CLÁSSICOS DE OTIMIZAÇÃO

ALGUMS MÉTODOS CLÁSSICOS DE OTIMIZAÇÃO ALGUMS MÉTODOS CLÁSSICOS DE OTIMIZAÇÃO Pedro Henrique Rodrigues da Silva, pedro henrique-02@hotmailcom 1 Milena Almeida Leite Brandão, milena@pontalufubr 1 1 Universidade Federal de Uberlândia, Faculdade

Leia mais

UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA PROGRAMA DE EDUCAÇÃO TUTORIAL APOSTILA DE CÁLCULO. Realização:

UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA PROGRAMA DE EDUCAÇÃO TUTORIAL APOSTILA DE CÁLCULO. Realização: UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA PROGRAMA DE EDUCAÇÃO TUTORIAL APOSTILA DE CÁLCULO Realização: Fortaleza, Fevereiro/2010 1. LIMITES 1.1. Definição Geral Se os valores de f(x) puderem

Leia mais

Resolução de sistemas de equações não-lineares: Método de Newton

Resolução de sistemas de equações não-lineares: Método de Newton Resolução de sistemas de equações não-lineares: Método de Newton Marina Andretta/Franklina Toledo ICMC-USP 24 de setembro de 202 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina

Leia mais

Lista de exercícios de MAT / II

Lista de exercícios de MAT / II 1 Lista de exercícios de MAT 271-26 / II 1. Converta os seguintes números da forma decimal para a forma binária:x 1 = 37; x 2 = 2347; x 3 =, 75; x 4 =(sua matrícula)/1; x 5 =, 1217 2. Converta os seguintes

Leia mais

4 Modelagem Numérica. 4.1 Método das Diferenças Finitas

4 Modelagem Numérica. 4.1 Método das Diferenças Finitas 4 Modelagem Numérica Para se obter a solução numérica das equações diferenciais que regem o processo de absorção de CO 2,desenvolvido no capitulo anterior, estas precisam ser transformadas em sistemas

Leia mais

Cálculo Numérico. Santos Alberto Enriquez-Remigio FAMAT-UFU 2015

Cálculo Numérico. Santos Alberto Enriquez-Remigio FAMAT-UFU 2015 Cálculo Numérico Santos Alberto Enriquez-Remigio FAMAT-UFU 2015 1 Capítulo 1 Solução numérica de equações não-lineares 1.1 Introdução Lembremos que todo problema matemático pode ser expresso na forma de

Leia mais

Prof. MSc. David Roza José 1/37

Prof. MSc. David Roza José 1/37 1/37 Métodos Abertos Objetivos: Reconhecer as diferenças entre os métodos intervalados e abertos para a localização de raízes; Compreender o método da iteração de ponto-fixo e avaliar suas características

Leia mais

3.6 Erro de truncamento da interp. polinomial.

3.6 Erro de truncamento da interp. polinomial. 3 Interpolação 31 Polinômios interpoladores 32 Polinômios de Lagrange 33 Polinômios de Newton 34 Polinômios de Gregory-Newton 35 Escolha dos pontos para interpolação 36 Erro de truncamento da interp polinomial

Leia mais

Interpolação polinomial: Polinômio de Lagrange

Interpolação polinomial: Polinômio de Lagrange Interpolação polinomial: Polinômio de Lagrange Marina Andretta ICMC-USP 09 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo

Leia mais

Aula 05 - Limite de uma Função - Parte I Data: 30/03/2015

Aula 05 - Limite de uma Função - Parte I Data: 30/03/2015 bras.png Cálculo I Logonewton.png Aula 05 - Limite de uma Função - Parte I Data: 30/03/2015 Objetivos da Aula: Definir limite de uma função Definir limites laterias Apresentar as propriedades operatórias

Leia mais

Funções e Limites - Aula 08

Funções e Limites - Aula 08 Funções e Limites - Aula 08 Alexandre Nolasco de Carvalho Universidade de São Paulo São Carlos SP, Brazil 22 de Março de 2013 Primeiro Semestre de 2013 Turma 2013104 - Engenharia de Computação Definição

Leia mais

Matrizes positivas definidas, semidefinidas, etc.

Matrizes positivas definidas, semidefinidas, etc. Matrizes positivas definidas, semidefinidas, etc. Amit Bhaya, Programa de Engenharia Elétrica COPPE/UFRJ Universidade Federal do Rio de Janeiro amit@nacad.ufrj.br http://www.nacad.ufrj.br/ amit Funções

Leia mais

15 AULA. Máximos e Mínimos LIVRO. META Encontrar os pontos de máximo e mínimo de uma função de duas variáveis a valores reais.

15 AULA. Máximos e Mínimos LIVRO. META Encontrar os pontos de máximo e mínimo de uma função de duas variáveis a valores reais. 1 LIVRO Máximos e Mínimos 1 AULA META Encontrar os pontos de máximo e mínimo de uma função de duas variáveis a valores reais. OBJETIVOS Maximizar e/ou minimizar função de duas variáveis a valores reais.

Leia mais

Otimização. por Mílton Procópio de Borba

Otimização. por Mílton Procópio de Borba Otimização por Mílton Procópio de Borba 1. Otimização sem restrições Seja f: D R, convexa, isto é, f[λ.p + (1-λ).q] λ.f(p) + (1-λ)f(q), p e q em D e λ [0, 1]. Maximizar f, significa encontrar o maior valor

Leia mais

Método de restrições ativas para minimização em caixas

Método de restrições ativas para minimização em caixas Método de restrições ativas para minimização em caixas Marina Andretta ICMC-USP 20 de outubro de 2014 Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 20 de outubro de 2014 1 / 25 Problema com

Leia mais

Zeros de Polinômios. 1 Resultados Básicos. Iguer Luis Domini dos Santos 1, Geraldo Nunes Silva 2

Zeros de Polinômios. 1 Resultados Básicos. Iguer Luis Domini dos Santos 1, Geraldo Nunes Silva 2 Zeros de Polinômios Iguer Luis Domini dos Santos, Geraldo Nunes Silva 2 DCCE/IBILCE/UNESP, São José do Rio Preto, SP, Brazil, iguerluis@hotmail.com 2 DCCE/IBILCE/UNESP, São José do Rio Preto, SP,Brazil,

Leia mais

4 Métodos Existentes. 4.1 Algoritmo Genético

4 Métodos Existentes. 4.1 Algoritmo Genético 61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser

Leia mais

CÁLCULO I. 1 Número Reais. Objetivos da Aula

CÁLCULO I. 1 Número Reais. Objetivos da Aula CÁLCULO I Prof. Edilson Neri Júnior Prof. André Almeida EMENTA: Conceitos introdutórios de limite, limites trigonométricos, funções contínuas, derivada e aplicações. Noções introdutórias sobre a integral

Leia mais

c PAVF 2 Produc~ao Considere o problema de determinar a melhor maneira de combinar varios insumos (p. ex., sementes, maquinario, trabalho humano, :::

c PAVF 2 Produc~ao Considere o problema de determinar a melhor maneira de combinar varios insumos (p. ex., sementes, maquinario, trabalho humano, ::: c PAVF 1 Aplicac~oes Produc~ao Aproximac~ao Planejamento Controle Alocac~ao Geometria Equac~oes c PAVF 2 Produc~ao Considere o problema de determinar a melhor maneira de combinar varios insumos (p. ex.,

Leia mais

Resolução de sistemas de equações não-lineares: Método Iterativo Linear

Resolução de sistemas de equações não-lineares: Método Iterativo Linear Resolução de sistemas de equações não-lineares: Método Iterativo Linear Marina Andretta/Franklina Toledo ICMC-USP 27 de março de 2015 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires.

Leia mais

, cosh (x) = ex + e x. , tanh (x) = ex e x 2

, cosh (x) = ex + e x. , tanh (x) = ex e x 2 Exercícios Adicionais 1. Podemos definir as funções seno, cosseno e tangente hiperbólicos como: sinh (x) = ex e x, cosh (x) = ex + e x, tanh (x) = ex e x e x + e x Escreva três funções no Scilab que implementem

Leia mais

x exp( t 2 )dt f(x) =

x exp( t 2 )dt f(x) = INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação

Leia mais

Andréa Maria Pedrosa Valli

Andréa Maria Pedrosa Valli Raízes de Equações Andréa Maria Pedrosa Valli Laboratório de Computação de Alto Desempenho (LCAD) Departamento de Informática Universidade Federal do Espírito Santo - UFES, Vitória, ES, Brasil 2-27 Raízes

Leia mais

Resumo das aulas dos dias 4 e 11 de abril e exercícios sugeridos

Resumo das aulas dos dias 4 e 11 de abril e exercícios sugeridos MAT 1351 Cálculo para funções uma variável real I Curso noturno de Licenciatura em Matemática 1 semestre de 2016 Docente: Prof. Dr. Pierluigi Benevieri Resumo das aulas dos dias 4 e 11 de abril e exercícios

Leia mais

Raízes de uma função. Laura Goulart. 16 de Março de 2016 UESB. Laura Goulart (UESB) Raízes de uma função 16 de Março de / 1

Raízes de uma função. Laura Goulart. 16 de Março de 2016 UESB. Laura Goulart (UESB) Raízes de uma função 16 de Março de / 1 Raízes de uma função Laura Goulart UESB 16 de Março de 2016 Laura Goulart (UESB) Raízes de uma função 16 de Março de 2016 1 / 1 Aproximação de uma raíz Dado uma precisão ɛ > 0, diremos que um ponto c R

Leia mais

UNIFEI - UNIVERSIDADE FEDERAL DE ITAJUBÁ

UNIFEI - UNIVERSIDADE FEDERAL DE ITAJUBÁ UNIFEI - UNIVERSIDADE FEDERAL DE ITAJUBÁ PROVA DE CÁLCULO 1 e 2 PROVA DE TRANSFERÊNCIA INTERNA, EXTERNA E PARA PORTADOR DE DIPLOMA DE CURSO SUPERIOR - 30/11/2014 CANDIDATO: CURSO PRETENDIDO: OBSERVAÇÕES:

Leia mais

Matemática Aplicada à Economia I Lista 3 Cálculo a Várias Variáveis. 1) Use o método das fatias para esboçar os gráficos das seguintes funções:

Matemática Aplicada à Economia I Lista 3 Cálculo a Várias Variáveis. 1) Use o método das fatias para esboçar os gráficos das seguintes funções: Matemática Aplicada à Economia I Lista 3 Cálculo a Várias Variáveis 1) Use o método das fatias para esboçar os gráficos das seguintes funções: f) 2) Esboce conjuntos de nível de cada uma das seguintes

Leia mais

Prof. MSc. David Roza José 1/26

Prof. MSc. David Roza José 1/26 1/26 Mínimos Quadrados Geral e Regressão Não Linear Objetivos: Implementar a regressão polinomial; Implementar regressão múltipla linear; Entender a formulação do modelo linear geral de mínimos quadrados;

Leia mais

Otimização Aplicada à Engenharia de Processos

Otimização Aplicada à Engenharia de Processos Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013

Leia mais

Derivadas Parciais Capítulo 14

Derivadas Parciais Capítulo 14 Derivadas Parciais Capítulo 14 DERIVADAS PARCIAIS Como vimos no Capítulo 4, no Volume I, um dos principais usos da derivada ordinária é na determinação dos valores máximo e mínimo. DERIVADAS PARCIAIS 14.7

Leia mais

Benemar Alencar de Souza

Benemar Alencar de Souza Benemar Alencar de Souza Métodos de Otimização Aplicados Questões introdutórias O que é otimização? i Por que otimização é importante? Como tratar a otimização i como um problema? Quais objetivos são usuais?

Leia mais

UNIFEI - UNIVERSIDADE FEDERAL DE ITAJUBÁ PROVA DE CÁLCULO 1

UNIFEI - UNIVERSIDADE FEDERAL DE ITAJUBÁ PROVA DE CÁLCULO 1 UNIFEI - UNIVERSIDADE FEDERAL DE ITAJUBÁ PROVA DE CÁLCULO 1 PROVA DE TRANSFERÊNCIA INTERNA, EXTERNA E PARA PORTADOR DE DIPLOMA DE CURSO SUPERIOR - 16/10/2016 CANDIDATO: CURSO PRETENDIDO: OBSERVAÇÕES: 1.

Leia mais

Conceitos Básicos. Capítulo 1 EQUAÇÕES DIFERENCIAIS. Uma equação diferencial é uma equação que envolve uma função incógnita e suas derivadas.

Conceitos Básicos. Capítulo 1 EQUAÇÕES DIFERENCIAIS. Uma equação diferencial é uma equação que envolve uma função incógnita e suas derivadas. Capítulo 1 Conceitos Básicos EQUAÇÕES DIFERENCIAIS Uma equação diferencial é uma equação que envolve uma função incógnita e suas derivadas. Exemplo 1.1 Algumas equações diferenciais envolvendo a função

Leia mais

Autovalores e Autovetores

Autovalores e Autovetores Algoritmos Numéricos II / Computação Científica Autovalores e Autovetores Lucia Catabriga 1 1 DI/UFES - Brazil Junho 2016 Introdução Ideia Básica Se multiplicarmos a matriz por um autovetor encontramos

Leia mais

Otimização de Processos Capítulo 4: Otimização Unidimensional Sem Restrições (OUSR)

Otimização de Processos Capítulo 4: Otimização Unidimensional Sem Restrições (OUSR) Otimização de Processos Capítulo 4: Otimização Unidimensional Sem Restrições (OUSR). Algoritmos de Otimização P. Estabeleça o intervalo de busca ou estimativa inicial que contenha o ponto de mínimo da

Leia mais

1. Limite. lim. Ou seja, o limite é igual ao valor da função em x 0. Exemplos: 1.1) Calcule lim x 1 x 2 + 2

1. Limite. lim. Ou seja, o limite é igual ao valor da função em x 0. Exemplos: 1.1) Calcule lim x 1 x 2 + 2 1. Limite Definição: o limite de uma função f(x) quando seu argumento x tende a x0 é o valor L para o qual a função se aproxima quando x se aproxima de x0 (note que a função não precisa estar definida

Leia mais

Métodos Numéricos. Turma CI-202-X. Josiney de Souza.

Métodos Numéricos. Turma CI-202-X. Josiney de Souza. Métodos Numéricos Turma CI-202-X Josiney de Souza josineys@inf.ufpr.br Agenda do Dia Aula 5 (16/09/15) Zero de funções: Introdução Tipos de métodos Diretos Indiretos ou iterativos Fases de cálculos Isolamento

Leia mais

f(1) = 6 < 0, f(2) = 1 < 0, f(3) = 16 > 0 x [2, 3].

f(1) = 6 < 0, f(2) = 1 < 0, f(3) = 16 > 0 x [2, 3]. 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Métodos Numéricos Para Solução

Leia mais

CÁLCULO I. 1 Funções Crescentes e Decrescentes

CÁLCULO I. 1 Funções Crescentes e Decrescentes CÁLCULO I Prof. Edilson Neri Júnior Prof. André Almeida Aula n o 14: Crescimento e Decrescimento. Teste da Primeira Derivada. Objetivos da Aula Denir funções crescentes e decrescentes; Determinar os intervalos

Leia mais

1.1 Conceitos Básicos

1.1 Conceitos Básicos 1 Zeros de Funções 1.1 Conceitos Básicos Muito frequentemente precisamos determinar um valor ɛ para o qual o valor de alguma função é igual a zero, ou seja: f(ɛ) = 0. Exemplo 1.1 Suponha que certo produto

Leia mais

Matemática Computacional - 2 o ano LEMat e MEQ

Matemática Computacional - 2 o ano LEMat e MEQ Instituto Superior Técnico Departamento de Matemática Secção de Matemática Aplicada e Análise Numérica Matemática Computacional - o ano LEMat e MEQ Exame/Teste - 1 de Janeiro de 1 - Parte I (1h3m) 1. Considere

Leia mais

Novos métodos de Sintonia de Controladores PID

Novos métodos de Sintonia de Controladores PID Novos métodos de Sintonia de Controladores PID. Introdução Existem diversas questões que devem ser consideradas no projeto de controladores PID, como por exemplo: Resposta a distúrbios de carga; Resposta

Leia mais

Um Minotauro Perdido & Percolação

Um Minotauro Perdido & Percolação Departamento de Ciência da Computação IME-USP Segundo Semestre de 2014 MAC 115 Introdução à Computação IF Noturno (Versão quase final) Um Minotauro Perdido & Percolação Exercício-Programa 4 (EP4) Data

Leia mais

Capítulo 4 - Equações Não-Lineares

Capítulo 4 - Equações Não-Lineares Capítulo 4 - Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança 2 o Ano - Eng. Civil, Química e Gestão Industrial Carlos Balsa Métodos Numéricos 1/

Leia mais

CCI-22 LISTA DE EXERCÍCIOS

CCI-22 LISTA DE EXERCÍCIOS CCI-22 LISTA DE EXERCÍCIOS Capítulos 1 e 2: 1) Considere floats com 4 dígitos decimais de mantissa e expoentes inteiros entre -5 e 5. Sejam X =,7237.1 4, Y =,2145.1-3, Z =,2585.1 1. Utilizando um acumulador

Leia mais

Pesquisa Operacional

Pesquisa Operacional Pesquisa Operacional Análise de Sensibilidade Algébrica Profa. Sheila Morais de Almeida DAINF-UTFPR-PG abril - 016 1 Análise de Sensibilidade Algébrica Variações do Lado Direito Variações na Função Objetivo

Leia mais

= 2 sen(x) (cos(x) (b) (7 pontos) Pelo item anterior, temos as k desigualdades. sen 2 (2x) sen(4x) ( 3/2) 3

= 2 sen(x) (cos(x) (b) (7 pontos) Pelo item anterior, temos as k desigualdades. sen 2 (2x) sen(4x) ( 3/2) 3 Problema (a) (3 pontos) Sendo f(x) = sen 2 (x) sen(2x), uma função π-periódica, temos que f (x) = 2 sen(x) cos(x) sen(2x) + sen 2 (x) 2 cos(2x) = 2 sen(x) (cos(x) sen(2x) + sen(x) cos(2x) ) = 2 sen(x)

Leia mais

Programação Não Linear Otimização Univariada E Multivariada Sem Restrições

Programação Não Linear Otimização Univariada E Multivariada Sem Restrições Programação Não Linear Otimização Univariada E Multivariada Sem Restrições A otimização é o processo de encontrar a melhor solução (ou solução ótima) para um prolema. Eiste um conjunto particular de prolemas

Leia mais

Lista de Exercícios 1 Cálculo Numérico - Professor Daniel

Lista de Exercícios 1 Cálculo Numérico - Professor Daniel Lista de Exercícios 1 Cálculo Numérico - Professor Daniel Observação: Esta lista abrange os três primeiros tópicos da ementa do curso, teoria dos erros, sistemas lineares, e zeros de funções. Ela abrange

Leia mais

Exercícios: Vetores e Matrizes

Exercícios: Vetores e Matrizes Universidade Federal de Uberlândia - UFU Faculdade de Computação - FACOM Lista de exercícios de programação em linguagem C Exercícios: Vetores e Matrizes 1 Vetores 1. Faça um programa que possua um vetor

Leia mais

étodos uméricos ZEROS DE FUNÇÕES DE UMA OU MAIS VARIÁVEIS Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

étodos uméricos ZEROS DE FUNÇÕES DE UMA OU MAIS VARIÁVEIS Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA étodos uméricos ZEROS DE FUNÇÕES DE UMA OU MAIS VARIÁVEIS Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO

Leia mais

étodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno

étodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno étodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA

Leia mais

A = Utilizando ponto flutuante com 2 algarismos significativos, 2 = 0, x (0)

A = Utilizando ponto flutuante com 2 algarismos significativos, 2 = 0, x (0) MAP 22 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Sistemas Lineares : Utilizando o método de eliminação de Gauss, calcule o determinante e a seguir a inversa da matriz abaixo. Efetue todos os

Leia mais

Modelos Lineares Generalizados - Métodos de Estimação

Modelos Lineares Generalizados - Métodos de Estimação Modelos Lineares Generalizados - Métodos de Estimação Erica Castilho Rodrigues 07 de Abril de 2014 3 Componentes dos MLG s Os MLG s são compostos por duas partes: componente sistemático e componente aleatório.

Leia mais

Programação Linear. MÉTODOS QUANTITATIVOS: ESTATÍSTICA E MATEMÁTICA APLICADAS De 30 de setembro a 13 de novembro de 2011 prof. Lori Viali, Dr.

Programação Linear. MÉTODOS QUANTITATIVOS: ESTATÍSTICA E MATEMÁTICA APLICADAS De 30 de setembro a 13 de novembro de 2011 prof. Lori Viali, Dr. Programação Linear São problemas complexos, muitas vezes de difícil solução e que envolvem significativas reduções de custos, melhorias de tempos de processos, ou uma melhor alocação de recursos em atividades.

Leia mais

Álgebra Linear - 2 a lista de exercícios Prof. - Juliana Coelho

Álgebra Linear - 2 a lista de exercícios Prof. - Juliana Coelho Álgebra Linear - 2 a lista de exercícios Prof. - Juliana Coelho 1 - Verifique que os conjuntos V abaixo com as operações dadas não são espaços vetoriais explicitando a falha em alguma das propriedades.

Leia mais

étodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

étodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA étodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA

Leia mais

k 1 ENQUANTO A[k] $ E k 512 FAÇA SE A[k] = a ENTÃO contaa contaa + 1 SENÃO SE A[k] = i ENTÃO contai contai + 1 FIM-SE

k 1 ENQUANTO A[k] $ E k 512 FAÇA SE A[k] = a ENTÃO contaa contaa + 1 SENÃO SE A[k] = i ENTÃO contai contai + 1 FIM-SE UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMAÇÃO PROVA DE TRANSFERÊNCIA INTERNA, EXTERNA E PARA PORTADOR DE DIPLOMA DE CURSO SUPERIOR 19/06/2016 CANDIDATO: CURSO PRETENDIDO: OBSERVAÇÕES: 01 Prova sem consulta.

Leia mais

3 Aprendizado por reforço

3 Aprendizado por reforço 3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina

Leia mais

Determinação de raízes de polinômios: Método de Briot-Ruffini-Horner

Determinação de raízes de polinômios: Método de Briot-Ruffini-Horner Determinação de raízes de polinômios: Método de Briot-Ruffini-Horner Marina Andretta/Franklina Toledo ICMC-USP 29 de outubro de 2012 Baseado no livro Cálculo Numérico, de Neide B. Franco Marina Andretta/Franklina

Leia mais

Jogos de soma zero com dois jogadores

Jogos de soma zero com dois jogadores Jogos de soma zero com dois jogadores Problema: Dada uma matriz A m n, encontrar um equilíbrio de Nash (de estratégias mistas). Jogador 1 quer encontrar p que maximize v sujeito a i p i = 1 sujeito a (pa)

Leia mais

Ricardo Bento Afonso Nº51571 Rubén Ruiz Holgado Nº64643

Ricardo Bento Afonso Nº51571 Rubén Ruiz Holgado Nº64643 Ricardo Bento Afonso Nº51571 Rubén Ruiz Holgado Nº64643 Programação não linear para que serve? A programação linear tem a função objectivo e os constrangimentos lineares. O que nem sempre acontece na realidade,

Leia mais

Solução numérica de equações não-lineares

Solução numérica de equações não-lineares Capítulo 1 Solução numérica de equações não-lineares 1.1 Introdução Lembremos que todo problema matemático pode ser expresso na forma de uma equação. Mas, o que é uma equação? Uma equação é uma igualdade

Leia mais

Folha Prática - Representação de Números e Erros. 1. Representar os seguintes números decimais em binário com ponto fixo:

Folha Prática - Representação de Números e Erros. 1. Representar os seguintes números decimais em binário com ponto fixo: Computação Científica Folha Prática - Representação de Números e Erros 1. Representar os seguintes números decimais em binário com ponto fixo: a) 24 b) 197 c) 1001 d) 7,65 e) 8,963 f) 266,66 2. Obter os

Leia mais